| # | عنوان | توضیحات |
|---|---|---|
| 1 | هدف کلی | آشنایی با پایگاه داده ها، روشهای دسته بندی، خوشه بندی داده ها و الگوریتم های یادگیری |
| 2 | شایستگی های پایه | آشنایی با برنامه‌نویسی، آمار و احتمال |
| 3 | اهداف یادگیری | توانمندی در انجام پروژه های کاربردی در خصوص داده ها، پیش‌پردازش داده‌ها، طبقه‌بندی و خوشه‌بندی داده‌ها، کار با پایتون |
| 4 | روش تدریس | تدریس مطالب سرفصل با تاکید بر جنبه عملی با پایتون، به همراه پرسش و پاسخ |
| 5 | وظایف دانشجو | حضور مرتب و به موقع در کلاس، همراهی با کلاس برای پاسخ دادن به سوال ها و حل مثال های مرتبط،ارائه به موقع تمرین ها و پروژه های تحویلی و شرکت در آزمونک ها و ازمون نهایی رفع عقب ماندگی‌های احتمالی درخصوص برنامه‌نویسی، مطالعه فصلهای دوم و سوم کتاب |
| 6 | منبع | 1- Jake VanderPlas, Python Data Science Handbook 2- داده کاوی مفاهیم و تکنیک ها، تالیف ژیاوی هان، میشلین کامبر، ژان پی، ترجمه نسترن حاجی حیدری، سیدبهنام خاکباز، نشر: تهران دانشگاه تهران 3- داده‌کاوی کاربردی، محمد صنیعی 4- Hastie, T., Tibshirani, R. and Friedman, J. (2017). The Elements of Statistical Learning, Data Mining, Inference, and Prediction, 2nd Edition. Springer 5-Mohammed J. Zaki and Wagner Meira, Jr, Data Mining and Machine Learning: Fundamental Concepts and Algorithms Second Edition, Cambridge University Press, March 2020 |
| 7 | مواد و امکانات آموزشی | پایتون |